Pembelajaran Presisi AI: Kurikulum Dikira untuk IPT

Kebanyakan universiti masih mengajar seolah-olah semua pelajar bergerak pada kelajuan yang sama, dengan latar yang serupa, dan ruang mental yang sentiasa “stabil”. Realitinya lebih bersepah: ada pelajar bekerja syif malam, ada yang menjaga keluarga, ada yang cemerlang dalam tugasan tetapi hilang fokus bila tiba musim peperiksaan akhir semester. Kalau kita jujur, model “satu silibus, satu laluan” memang memudahkan pengurusan—tapi ia bukan cara paling adil atau berkesan untuk membantu pelajar benar-benar menguasai kemahiran.

Dalam siri “AI dalam Pendidikan dan EdTech”, saya semakin yakin satu perkara: fokus baharu bukan sekadar pembelajaran diperibadikan (personalized learning), tetapi pembelajaran presisi—pengalaman pembelajaran N-of-1, iaitu disesuaikan untuk seorang pelajar berdasarkan data dan konteksnya, pada saat dia memerlukannya. Teras kepada perubahan ini ialah idea kurikulum dikira (computed curriculum): kandungan, aktiviti, dan bimbingan yang dijana dan dilaraskan secara dinamik menggunakan AI, bukannya ditetapkan berbulan-bulan lebih awal.

Dari “diperibadikan” kepada pembelajaran presisi: apa bezanya?

Jawapan ringkasnya: pembelajaran diperibadikan biasanya “pilih laluan berdasarkan corak kumpulan”, manakala pembelajaran presisi ialah “bina laluan berdasarkan keadaan individu, masa nyata”.

Selama ini, banyak inisiatif adaptif di IPT bergantung pada analitik populasi: contohnya, pelajar yang jarang log masuk LMS dianggap “berisiko”, lalu sistem menghantar peringatan. Itu berguna, tapi masih kasar. Pembelajaran presisi bergerak lebih halus: ia cuba faham mengapa pelajar lambat hari ini, bukan sekadar mengesan bahawa dia lambat.

Bayangkan dua pelajar yang sama-sama tak siapkan kuiz minggu ini:

• Seorang tak faham konsep asas.
• Seorang lagi faham, tapi baru habis kerja 10 jam dan keletihan.

Intervensi yang sama untuk kedua-duanya (contoh: “ulang video”) sebenarnya membazir. Pembelajaran presisi membezakan kedua-duanya dan memilih tindakan yang berlainan.

“N-of-1” bukan slogan—ia standard baharu

N-of-1 bermaksud keputusan pembelajaran dibuat menggunakan data yang unik bagi pelajar itu, bukan berdasarkan purata cohort. Bila dilakukan dengan betul, 20 pelajar dalam program yang sama boleh capai hasil pembelajaran yang sama—tetapi melalui 20 laluan penguasaan yang berbeza.

Kurikulum dikira: bila kandungan lahir “di saat perlu”

Kurikulum dikira ialah pendekatan di mana AI (termasuk model bahasa besar/LLM) menjana:

• penjelasan konsep,
• latihan,
• kajian kes,
• simulasi dialog,
• tugasan mikro,

…secara masa nyata, berdasarkan konteks pelajar dan bukti prestasi semasa.

Ini berbeza daripada amalan biasa di IPT:

• pensyarah siapkan nota awal semester,
• kuiz ditetapkan ikut minggu,
• aktiviti seragam untuk semua.

Kurikulum dikira menukar logik itu: kandungan bukan lagi stok, tetapi aliran.

Contoh praktikal dalam konteks IPT Malaysia

Saya suka membayangkan situasi yang dekat dengan realiti tempatan:

1. Pelajar sambilan yang baru nak naik gaji

   • Seorang eksekutif junior ambil kursus “Analitik Data untuk Perniagaan”. Dia lemah matematik, tapi kuat konteks bisnes.
   • AI tidak “paksa” dia ikut tutorial statistik generik; sebaliknya ia bina latihan berdasarkan jualan bulanan, margin, dan inventori—data yang dia faham.

2. Belajar lewat malam (dan otak dah penat)

   • Pelajar log masuk pukul 10.30 malam.
   • Sistem tahu pola tidurnya tidak konsisten (daripada corak aktiviti pembelajaran) dan prestasi menurun selepas 20 minit.
   • AI memilih ulangkaji ringan dan kuiz ringkas, kemudian cadangkan pelan 15 minit esok pagi untuk konsep yang berat.

3. Pelajar laju yang perlukan cabaran, bukan ulang-ulang

   • Pelajar cepat siap tugasan visualisasi data.
   • AI mengesan ketepatan tinggi dan masa siap yang singkat.
   • Sistem memberi “stretch task”: bina visual yang sama tetapi dengan set data projek akhir pelajar sendiri, disertai rubrik yang lebih ketat.

Point pentingnya: AI bukan sekadar tutor yang menjawab soalan. Ia mengurus urutan pengalaman pembelajaran.

Tiga asas yang IPT perlu betulkan sebelum “AI jadi”

Pembelajaran presisi tak akan berfungsi jika data dan operasi institusi masih bersepah. Ini bahagian yang kurang glamor, tapi paling menentukan.

1) Seni bina data masa nyata (bukan laporan hujung semester)

Kebanyakan ekosistem IPT masih bergantung pada sistem lama: data disimpan berasingan, disegerakkan lambat, dan dianalisis selepas semuanya berlaku. Sedangkan pembelajaran presisi perlukan data semasa ia terjadi.

Apa yang perlu ada:

• aliran peristiwa pembelajaran (contoh: klik, masa membaca, percubaan kuiz, corak salah),
• API yang konsisten antara LMS, sistem pelajar, perpustakaan digital, pusat kaunseling (dengan tadbir urus ketat),
• pangkalan data yang boleh memproses interaksi berfrekuensi tinggi.

Jika sistem hanya boleh keluarkan “pelajar berisiko” seminggu kemudian, itu bukan presisi. Itu laporan.

2) Profil pelajar dinamik (bukan sekadar nombor matrik)

Pembelajaran presisi memerlukan profil pelajar yang hidup—dikemas kini dari masa ke masa, bukan borang yang diisi masa pendaftaran.

Profil yang berguna biasanya merangkumi:

• sejarah akademik dan prasyarat yang betul-betul dikuasai,
• minat, matlamat kerjaya, konteks kerja,
• gaya belajar yang terbukti (berdasarkan bukti, bukan kuiz personaliti),
• halangan praktikal (contoh: jadual kerja, akses peranti),
• indikator kesejahteraan (sekadar yang diberi izin, dengan jelas).

Satu pendirian saya: profil pelajar tak patut jadi “alat penghakiman”. Ia patut jadi alat untuk memilih sokongan yang sesuai.

3) Kepercayaan, privasi, dan persetujuan yang telus

Bila AI masuk, kegusaran utama bukan “AI salah jawab”—tetapi data siapa yang digunakan, untuk apa, dan siapa boleh akses.

Jika IPT nak menang dalam era EdTech global, kelebihan kompetitif yang realistik ialah kepercayaan:

• dasar persetujuan yang jelas (opt-in yang bermakna, bukan sekadar klik),
• prinsip “data minimum yang mencukupi”,
• audit bias dan audit keselamatan,
• penerangan mudah faham kepada pelajar: data apa ditangkap, kenapa, dan bagaimana ia bantu mereka.

Pelajar akan menerima AI jika mereka rasa AI itu “bekerja untuk mereka”, bukan memerhati mereka.

Peranan pensyarah berubah—dan itu benda baik

Pembelajaran presisi bukan menggantikan pensyarah. Ia mengubah fokus kerja pensyarah.

Bila kurikulum boleh dijana dan dilaraskan secara automatik, pensyarah boleh lebih banyak buat kerja bernilai tinggi:

• reka bentuk hasil pembelajaran yang jelas,
• semakan kualiti aktiviti AI (rubrik, kesahihan, kesesuaian),
• bimbingan manusia: motivasi, etika, pemikiran kritikal, budaya ilmu,
• membina komuniti pembelajaran.

Saya lebih percaya pada model “pensyarah + AI sebagai co-pilot pengajaran” berbanding model “AI tutor berdikari”. Institusi yang berjaya ialah yang melatih staf akademik untuk mengarah AI, bukan takut AI.

Cabaran sebenar (dan cara praktikal menguruskannya)

Pembelajaran presisi datang dengan risiko yang serius. Jika kita tutup mata, sistem boleh jadi “mesra tapi merosakkan”.

1) Risiko “terlalu memanjakan” pelajar

Jika AI selalu memendekkan bacaan untuk pelajar yang lambat membaca, pelajar mungkin tidak pernah membina stamina membaca.

Amalan yang saya cadangkan:

• guna prinsip scaffold then fade (sokong kuat pada awal, kurangkan sokongan bila kemahiran naik),
• tetapkan sasaran pertumbuhan (contoh: +10% panjang bacaan setiap 2 minggu),
• pastikan ada tugasan yang sengaja mencabar, bukan semua dipermudah.

2) Penilaian statik tak sesuai untuk kurikulum dinamik

Jika kandungan berubah ikut pelajar, peperiksaan seragam semata-mata akan nampak “tak adil” atau “tak mengukur”.

Alternatif yang lebih stabil:

• penilaian berasaskan evidens berterusan (portfolio, log kemahiran),
• rubrik hasil pembelajaran yang sama untuk semua, walaupun laluan berbeza,
• penanda aras kompetensi pada titik tertentu (checkpoints), tetapi dengan ruang pilihan artefak.

3) Bila semua laluan berbeza, apa yang menyatukan cohort?

Ini isu sosial yang ramai terlepas pandang: universiti bukan kilang modul. Ia tempat membina jaringan, empati, kerjasama.

Cadangan reka bentuk:

• kekalkan “ritual komuniti” (studio critique, debat, pembentangan kumpulan),
• gunakan AI untuk memadankan rakan belajar yang saling melengkapi,
• bina aktiviti yang memerlukan rundingan manusia, bukan sekadar jawapan betul/salah.

“Kurikulum boleh dipresisikan, tetapi komuniti perlu disengajakan.”

Pelan 90 hari untuk mula (tanpa tunggu projek mega)

Kalau anda di pihak pengurusan akademik, EdTech, atau unit transformasi digital, ini langkah realistik yang saya akan buat dahulu:

1. Pilih 1 kursus berimpak tinggi

   • Contoh: kursus tahun 1 yang kadar gagal tinggi atau kursus teras program.

2. Tentukan 5–8 hasil pembelajaran yang benar-benar boleh diuji

   • Jangan terlalu banyak. Presisi perlukan kejelasan.

3. Bina “profil minimum berfungsi” (MVP)

   • 6–10 atribut yang memang membantu intervensi (contoh: penguasaan prasyarat, masa belajar, minat domain).

4. Mulakan dengan 3 jenis intervensi AI

   • penjelasan adaptif,
   • latihan berperingkat,
   • cadangan jadual mikro (10–20 minit).

5. Tadbir urus data dari hari pertama

   • siapa pemilik data, siapa steward, apa polisi retensi, bagaimana persetujuan diurus.

6. Ukur 3 metrik yang jujur

   • kadar penyiapan aktiviti,
   • peningkatan skor pra/pasca topik,
   • masa ke penguasaan (contoh: berapa percubaan sebelum stabil).

Dalam 90 hari, anda belum “selesai”. Tapi anda sudah ada bukti: apa yang berfungsi, apa yang mengelirukan, dan apa yang perlu dibaiki.

Ke mana arah EdTech IPT selepas ini?

Pembelajaran presisi berasaskan AI ialah ujian besar untuk universiti: bukan ujian teknologi semata-mata, tetapi ujian disiplin data, etika, dan keberanian mengubah pedagogi. Organisasi yang menang bukan yang paling banyak membeli alat, tetapi yang paling kemas menyusun asas—data masa nyata, profil pelajar dinamik, dan kepercayaan.

Sebab itu topik ini penting dalam siri “AI dalam Pendidikan dan EdTech”. AI boleh menjadikan pembelajaran lebih peribadi, tetapi hanya pembelajaran presisi yang betul-betul menepati janji: sokongan yang tepat, pada masa yang tepat, dengan cara yang sesuai untuk individu.

Jika anda sedang mempertimbangkan inisiatif AI di IPT, saya akan tanya satu soalan yang membezakan projek “demo cantik” daripada transformasi sebenar: adakah sistem anda mampu bertindak dalam masa nyata—atau ia sekadar menceritakan apa yang sudah berlaku?